Skip to content

Motor numérico ​

Esta página resume los algoritmos que usa OpenRiskSim y sus referencias bibliográficas, para quien quiera auditar los cálculos, citarlos en un trabajo o contribuir. Todo está implementado en TypeScript puro en packages/* y probado contra valores de referencia de Excel, R y SciPy. Versión en inglés: Numerical engine.

Números aleatorios ​

ComponenteAlgoritmoReferencia
Generadorxoshiro128** (estado de 128 bits, período 2¹²⁸ − 1); cada número en [0, 1) usa 53 bits aleatoriosBlackman, D. y Vigna, S. (2021). Scrambled linear pseudorandom number generators. ACM TOMS 47(4).
SiembraSplitMix32 a partir de la semilla, para que semillas cercanas den secuencias independientesSteele, Lea y Flood (2014). Fast splittable pseudorandom number generators. OOPSLA.

Muestreo ​

  • Transformada inversa: cada valor se obtiene como Q(u), el cuantil de la distribución evaluado en un uniforme u. Esto permite LHS, correlaciones por rangos y truncamiento con un mismo mecanismo.
  • Monte Carlo: uniformes independientes.
  • Hipercubo latino: por columna, uᵢ = (π(i) + vᵢ)/n con π una permutación aleatoria y vᵢ ~ U[0, 1): exactamente un valor por estrato de probabilidad 1/n. McKay, M. D., Beckman, R. J. y Conover, W. J. (1979). A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics 21(2).
  • Truncamiento: Q_T(u) = Q(F(a) + u·(F(b) − F(a))), usando la función de supervivencia en la cola superior para conservar precisión; la media y la varianza truncadas se calculan por cuadratura de Gauss–Legendre en el dominio de probabilidad.

Correlaciones ​

  • Iman–Conover: reordena las muestras para inducir la correlación de rangos deseada sin alterar las distribuciones marginales. Usa puntajes de van der Waerden Φ⁻¹(i/(n+1)), la conversión de Spearman a Pearson r = 2·sen(πρ/6) y una corrección por la correlación muestral de los puntajes (Cholesky). Iman, R. L. y Conover, W. J. (1982). A distribution-free approach to inducing rank correlation among input variables. Communications in Statistics – Simulation and Computation 11(3).
  • Matriz de correlación más cercana: proyecciones alternadas con corrección de Dykstra. Higham, N. J. (2002). Computing the nearest correlation matrix — a problem from finance. IMA Journal of Numerical Analysis 22(3).

Funciones especiales ​

FunciónMétodo
erf, erfcAproximaciones racionales de fdlibm (Sun Microsystems), error ≲ 1 ulp
ln Γ(x)Lanczos (g = 7, n = 9) y serie de Stirling para x ≥ 10
Beta incompleta regularizadaFracción continua con el método de Lentz modificado (Press et al., Numerical Recipes)
Gamma incompleta regularizadaSerie + fracción continua (Numerical Recipes)
Cuantil normalWichura (1988), algoritmo AS 241 (PPND16), precisión ~1e−16
Inversas de beta y gamma incompletasEstimación inicial de Numerical Recipes + iteración de Halley acotada (con bisección de respaldo)

Estadísticos ​

  • Convenciones de Excel: desviación y varianza muestrales (n − 1, como DESVEST.M), asimetría y curtosis en exceso como COEFICIENTE.ASIMETRIA y CURTOSIS, percentiles con interpolación lineal como PERCENTIL.INC, intervalo de confianza de la media con t de Student.
  • Histograma: ancho de clase de Freedman–Diaconis limitado a 10–100 clases; una clase por entero para datos enteros con pocos valores distintos.
  • Sensibilidad: correlación de rangos de Spearman; contribución a la varianza = ρ²/Σρ².
  • Control de precisión: semiamplitud del intervalo de confianza de la media ≤ error relativo × |media|, verificado por bloques a partir de 500 pruebas.
  • Bootstrap no paramétrico con intervalo de percentiles. Efron, B. y Tibshirani, R. (1993). An Introduction to the Bootstrap.
  • Prueba t de Welch con grados de libertad de Welch–Satterthwaite.

Ajuste de distribuciones ​

  • Estimación por máxima verosimilitud (forma cerrada cuando existe; si no, Nelder–Mead sobre una parametrización sin restricciones, con inversa de digamma por Newton según Minka).
  • Kolmogorov–Smirnov: distribución exacta de Marsaglia, G., Tsang, W. W. y Wang, J. (2003). Evaluating Kolmogorov's distribution. Journal of Statistical Software 8(18).
  • Anderson–Darling: Marsaglia, G. y Marsaglia, J. (2004). Evaluating the Anderson–Darling distribution. JSS 9(2); con la corrección de D'Agostino, R. B. y Stephens, M. A. (1986), Goodness-of-Fit Techniques, para Normal/Lognormal con parámetros estimados.
  • χ² con clases equiprobables (continuas) o clases por entero con frecuencia esperada ≥ 5 (discretas).
  • AIC = 2k − 2 ln L; BIC = k ln n − 2 ln L.

Pronóstico ​

  • Suavizamiento exponencial (simple, Holt, Holt amortiguado, Holt–Winters aditivo y multiplicativo) en forma de corrección de error, con parámetros optimizados por mínimos cuadrados (Nelder–Mead acotado) e intervalos de predicción de la representación de innovaciones. Hyndman, R. J. y Athanasopoulos, G. Forecasting: Principles and Practice (FPP); Hyndman, R. J. et al. (2008). Forecasting with Exponential Smoothing. Springer.
  • ARIMA estimado como el método por defecto de R (CSS-ML): valores iniciales de Hannan–Rissanen, suma de cuadrados condicional (CSS) y luego verosimilitud gaussiana exacta con filtro de Kalman (representación de espacio de estados de Gardner, Harvey y Phillips, 1980); intervalos con los pesos ψ.
  • ARIMA automático: d por pruebas ADF sucesivas y búsqueda de p, q ≤ 3 por AIC, descartando raíces casi unitarias (como auto.arima, Hyndman y Khandakar, 2008).
  • Dickey–Fuller aumentada con p-valores aproximados de MacKinnon, J. G. (1994). Approximate asymptotic distribution functions for unit-root and cointegration tests. JBES 12(2).
  • Ljung–Box: Ljung, G. M. y Box, G. E. P. (1978). Biometrika 65(2). PACF por Durbin–Levinson. Descomposición clásica con media móvil centrada.
  • Selección automática: RMSE en el 20 % final de la serie (holdout).
  • Métricas: MAE, RMSE, MAPE, sMAPE, R² y U de Theil (frente al pronóstico ingenuo).
  • Regresión por mínimos cuadrados con descomposición QR de Householder; errores estándar, t, p-valores, IC, F, ANOVA, VIF y Durbin–Watson; regresión por pasos con umbrales de entrada/salida.
  • Tendencias como las líneas de tendencia de Excel (exponencial y potencial ajustadas sobre ln y).
  • Procesos estocásticos con discretización exacta: movimiento browniano geométrico (log-normal), Ornstein–Uhlenbeck y difusión con saltos de Merton, R. C. (1976). Option pricing when underlying stock returns are discontinuous. JFE 3.

Optimización ​

  • Nelder–Mead acotado (mapeo al hipercubo unitario) con reinicios; restricciones por lagrangiano aumentado. Nelder, J. A. y Mead, R. (1965). A simplex method for function minimization. The Computer Journal 7(4).
  • Algoritmo genético: cruce SBX y mutación polinomial (variables continuas/enteras/discretas), cruce uniforme y mutación de bits (binarias), selección por torneo binario y supervivencia elitista (μ+λ), todo con las reglas de factibilidad de Deb. Deb, K. (2000). An efficient constraint handling method for genetic algorithms. CMAME 186.
  • Recocido simulado con pasos adaptativos por coordenada (estilo Corana et al., 1987) y enfriamiento geométrico. Kirkpatrick, S., Gelatt, C. D. y Vecchi, M. P. (1983). Science 220.
  • Automático: genético si hay variables no continuas; genético + Nelder–Mead si todas son continuas, hay restricciones y la evaluación es rápida; si no, Nelder–Mead.
  • Optimización estocástica: cada candidato corre una simulación completa en el worker y se optimiza un estadístico del pronóstico.

Finanzas ​

  • TIR: Newton–Raphson desde 10 %; si falla, búsqueda de cambios de signo en (−99 %, 1000 %] y refinamiento con el método de Brent (1973). Todas las TIR: búsqueda en una grilla de tasas y refinamiento de cada raíz.
  • Convenciones de Excel para VNA/NPV (descuenta desde el primer valor), PAGO, VA, VF, NPER, TIRM, SLN, DB, DDB/VDB y SYD.

Compilador de fórmulas y GPU ​

El paquete @openrisksim/accel compila las fórmulas que hay entre los supuestos y los pronósticos para evaluarlas sin HyperFormula (guía de usuario: Aceleración).

  • Alcance: recorrido en profundidad desde cada pronóstico hacia sus precedentes (orden topológico; las referencias circulares se rechazan). Solo se compilan las celdas que dependen de un supuesto o de una variable de decisión; el resto se toma como constante con el valor que calculó la hoja.
  • Semántica: la IR tipada reproduce las reglas de coerción de HyperFormula (vacío = 0, VERDADERO/FALSO = 1/0, texto numérico simple; el texto ambiguo, como fechas o porcentajes escritos, se rechaza) y las convenciones de Excel de las funciones financieras (NPV, IRR, PMT…). Las constantes se pliegan en tiempo de compilación. Los errores (#DIV/0!, #NUM!…) se representan como NaN y se propagan como en la hoja (IFERROR, ISERROR).
  • Back-end JavaScript (f64): genera una secuencia lineal de instrucciones por prueba, dentro de un bucle sobre el lote. Los resultados se redondean a 14 cifras significativas, como hace HyperFormula (smartRounding), por lo que coinciden bit a bit con el modo estándar. Si el entorno prohíbe new Function, se usa un intérprete de la IR.
  • Autocomprobación y validación: al compilar, el programa se ejecuta con los valores actuales del libro y cada celda compilada se compara con la hoja (tolerancia relativa 10⁻⁹). Antes de cada simulación, las primeras 200 pruebas se evalúan también con HyperFormula (tolerancia 10⁻⁹ para JS, 10⁻⁴ para GPU); cualquier discrepancia hace pasar al siguiente modo.

Consideraciones de precisión simple (f32) en GPU ​

  • El compute shader WGSL usa f32: mantisa de 24 bits (ε ≈ 1,19 × 10⁻⁷, unos 7 dígitos significativos) y rango de ±3,4 × 10³⁸. Las muestras se generan en f64 en la CPU y se convierten a f32 al subirlas; los resultados vuelven como Float64Array. El muestreo, las correlaciones, los estadísticos y la sensibilidad se siguen calculando en f64: solo la evaluación de las fórmulas es f32.
  • WGSL permite a las implementaciones suponer que no hay NaN ni infinitos, así que cada valor lleva una bandera de error explícita; un error se escribe como un patrón de bits quiet NaN y se convierte en NaN al leerlo.
  • El error relativo de la validación se mide respecto a max(|referencia|, |GPU|, 1 % de la escala del pronóstico), para que los valores cercanos a cero (un VAN casi nulo, resultado de restar flujos grandes) no se juzguen por la cancelación de f32.
  • IRR se resuelve en GPU con Newton (hasta 60 iteraciones, tolerancia relativa 10⁻⁶ sobre la tasa); las sumas largas (SUM, NPV) acumulan error de redondeo proporcional al número de términos, que la validación vigila.
  • MEDIAN (requiere ordenar) solo existe en CPU, y el shader admite hasta 5 000 fórmulas compiladas. Una invocación por prueba, @workgroup_size(64), en bloques de hasta 2²⁰ pruebas limitados por maxStorageBufferBindingSize.

Motor de hoja de cálculo ​

Las fórmulas se evalúan con HyperFormula (Handsontable), un motor compatible con Excel con recálculo por dependencias, usado bajo licencia GPLv3. La lectura y escritura de .xlsx usa ExcelJS y la de CSV, Papa Parse.

Publicado bajo licencia GPL-3.0 · © 2026 Fernando Daza y colaboradores